Der Vortrag präsentiert das JAX GCM (ein differenzierbares, atmosphärisches Modell mittlerer Komplexität), entwickelt von Forschern der Scripps Institution of Oceanography, der UC San Diego und des Data Science Institute. Das System ersetzt traditionellen, schwer anpassbaren Fortran-Klimamodellcode durch eine vollständig in JAX implementierte Architektur. Durch die Bereitstellung von analytischen Gradienten (im Vorwärts- und Rückwärts-Modus) ermöglicht das Modell effizientes Online-Lernen, Parameterestimation, Datenassimilation und die nahtlose Kombination aus traditionellen physikalischen Parametrisierungen und neuronalen Netzen (Hybrid-Modellierung). Erste Validierungen zeigen eine hohe Übereinstimmung mit Fortran-Baselines (z. B. eine 15-tägige Simulation in 26 Sekunden auf einem Laptop). Zukünftige Entwicklungen zielen auf ein vollwertiges Erdsystemmodell durch Kopplung mit Ozean- (Baros) und Land-Modellen (differ land) ab.
Wichtigste Punkte & Zeitstempel
0:00 Problem herkömmlicher Klimamodelle: Traditionelle Modelle basieren auf Millionen Zeilen Fortran-Code, die für CPU-basierte HPC-Systeme optimiert, schwer lesbar und nicht differenzierbar sind, was die Optimierung von Hunderten Parametern erschwert.
2:01 Integration von JAX & Neural GCM: In Anlehnung an Googles Neural GCM (welches den dynamischen Kern dinosaur nutzt) werden physikalische Parametrisierungen (wie Wolkenbildung und Aerosole) in JAX übersetzt, um sie differenzierbar zu machen.
3:51 Erweiterte Optimierungsmethoden: Die Verfügbarkeit von Gradienten ermöglicht Online-Lernen, präzise Parameterestimation, Datenassimilation (Optimierung von Anfangsbedingungen) und die kosteneffiziente Generierung von Ensembles zur Unsicherheitsquantifizierung.
6:09 Plug-and-Play-Hybrid-Modellierung: Das JAX GCM erlaubt den direkten Vergleich und Austausch zwischen traditionellen, physikbasierten Parametrisierungen und maschinellen Lernmodellen (neuronalen Netzen) innerhalb desselben dynamischen Kerns.
6:49 Validierung & API-Design: Das Modell wurde gegen eine Fortran-Baseline validiert und bietet eine moderne API für Lehre und Forschung; eine 15-tägige Simulation auf einem Standard-Laptop benötigt lediglich 26 Sekunden.
7:41 Sensitivitätsanalysen: Durch Vorwärts- und Rückwärtsgradienten lassen sich die Auswirkungen von Störungen (z. B. Meeresoberflächentemperaturen oder Albedo-Änderungen) über die Zeit präzise analysieren.
8:29 Erdsystem-Kopplung: Es wird an der Kopplung des Atmosphärenmodells mit Ozeanmodellen (Baros) und Landmodellen (differ land) gearbeitet, um ein vollständig gekoppeltes Erdsystemmodell mit gemeinsamen Gradienten zu realisieren.
Glossar
JAX: Eine High-Performance-Bibliothek für numerisches Computing in Python, die automatische Differentiation (Gradientenberechnung) und JIT-Kompilierung für GPUs und TPUs unterstützt.
GCM (General Circulation Model): Ein mathematisches Modell der allgemeinen Zirkulation der Atmosphäre oder des Ozeans, das fundamentale physikalische Gesetze (wie die Navier-Stokes-Gleichungen) integriert.
Fortran: Eine ältere Programmiersprache, die traditionell in der Hochleistungsrechner- und Klimaforschung für rechenintensive numerische Simulationen eingesetzt wird.
Dynamischer Kern (Dynamical Core): Der rechenintensive Teil eines Klimamodells, der die Grundgleichungen der Fluid- und Thermodynamik (Navier-Stokes-Gleichungen) auf einer Kugel integriert.
Parametrisierung (Physics Parameterization): Die mathematische Darstellung subskalierter, nichtlinearer Prozesse (z. B. Wolkenbildung, Aerosolwechselwirkungen) in Klimamodellen, die nicht direkt aufgelöst werden können.
Gradient: Die mathematische Ableitung einer Funktion nach ihren Eingangsvariablen; essenziell für gradientenbasierte Optimierungsverfahren im Machine Learning und der Parameteranpassung.
Datenassimilation: Ein mathematisches Verfahren, bei dem reale Beobachtungsdaten in ein dynamisches Modell integriert werden, um die optimalen Anfangs- oder Randbedingungen zu bestimmen.
Ensemble: Eine Gruppe von parallelen Simulationsläufen mit leicht variierten Anfangsbedingungen oder Parametern, um die Unsicherheit von Vorhersagen zu quantifizieren.
Navier-Stokes-Gleichungen: Ein System partieller Differentialgleichungen, das die physikalische Bewegung von fluiden Medien (wie Luftmassen und Ozeanwasser) beschreibt.
Albedo: Das Rückstrahlvermögen (Reflexionsvermögen) von Oberflächen, insbesondere von Schnee, Eis, Wolken und der Erdoberfläche.